Yüz Öznitelik Çıkarımı İçin Geliştirilmiş Aktif Şekil Modeli

Abstract

Bu çalışmada yüz öznitelik çıkarımı için yaygın bir şekilde kullanılan Aktif Şekil Modeli (AŞM) yöntemi, üzerinde bir dizi değişikler yapılarak geliştirilmiştir. Daha iyi başlangıç şekilleri oluşturmak için göz bebek noktalarına dayalı bir algoritma önerilmiştir. Değişken ışıklandırma koşullarının AŞM performansı üzerindeki etkisini azaltmak için, imgeleri ışıklandırmadan arındırma yoluna gidilmiştir. Nirengi noktaları (bir şekli oluşturan noktalar) etrafındaki görünümü tanımlayan profiller klasik AŞM de 1-boyutludur. AŞM-tabanlı yaklaşımlardan biri olan Yığılmış Aktif Şekil Modeli (YAŞM) ise 2-boyutlu profiller kullanmaktadır. Fakat 2-boyutlu profiller işlem yükü ve algoritma hızı açısından dezavantajlıdırlar. Dolayısıyla, bu çalışmada çok-doğrultulu profiller kullanılmıştır. Yapılan bu geliştirmelere ilaveten, bazı AŞM parametre değerlerinin (profil boyu gibi) uygun seçimi için bir dizi sınama gerçekleştirilmiştir. Bahsedilen geliştirmelerle önerilen yeni AŞM nin performansını analiz etmek için iki farklı sınama yapılmıştır. İlk sınama, SCface veri setinden seçilen 120 tane homojen ışıklandırmış imgeyle yapılmıştır ve önerilen AŞM nin performansı Klasik AŞM ve YAŞM ile karşılaştırılmıştır. Sonuçlar, önerilen AŞM nin Klasik AŞM ye göre daha başarılı ve YAŞM ile hemen hemen aynı başarıma sahip olduğunu göstermiştir. İkinci sınama ise değişken ışıklandırma koşullarının etkin olduğu, Yale B veri setinden seçilen 300 imge ile yapılmış ve önerilen AŞM nin performansı YAŞM ile karşılaştırılmıştır. Sonuçlar, önerilen AŞM nin YAŞM a göre daha başarlı olduğunu göstermektedir.

In this study, some improvements are proposed on Active Shape Model (ASM) which is used for facial feature extraction. Performance of ASM is highly influenced by initialization and variable illumination conditions. To generate better initial shapes, an algorithm which is based on eye pupil locations is used and to overcome the problem of variable illumination conditions, images are neutralized or illumination effects on images are reduced. Multi-directional profiles are also used (Classical ASM uses 1-directional profiles and an ASM-based method Stacked ASM (STASM) uses 2-directional profiles). In addition to above mentioned improvements, a series of tests are made to obtain the values: profile width, image pyramid level, search step, total number of eigenvectors and coefficient to limit shape variations. To analyze the performance of proposed ASM, two different tests are made. Fitting results of proposed method are compared with the results of Classical ASM and Stacked ASM (STASM). The first test is made on 120 homogeneously illuminated, frontal face images chosen from SCface database. Results show that proposed method yields better performance than classical ASM and performs similarly as STASM. Images under variable illumination conditions are used in order to examine performance of proposed ASM when illumination conditions are enabled. For this, Extended Yale B face image database is preferred. Results of 300 images chosen from Extended Yale B database indicate that proposed ASM has better performance than STASM.